DuDoTrans：双域 Transformer 为稀疏视角 CT 重建中的正弦图修复提供更多注意力
图像与视频处理
2021-11-29 v2 计算机视觉与模式识别
摘要
尽管从 X 射线正弦图进行计算机断层扫描（CT）重建对临床诊断必不可少，但成像过程中的碘辐射会造成不可逆损伤，从而促使研究者研究稀疏视角 CT 重建，即从稀疏的一组正弦图视角中恢复高质量 CT 图像。迭代模型被提出以缓解稀疏视角 CT 图像中出现的伪影，但计算代价过于昂贵。随后基于深度学习的方法因优异性能与较低计算量而流行。然而，这些方法忽视了 CNN 的\textbf{局部}特征提取能力与正弦图的\textbf{全局}特性之间的不匹配。为克服该问题，我们提出\textbf{双}域\textbf{Trans}former（\textbf{DuDoTrans}），通过 Transformer 的长程依赖建模能力同时修复信息性正弦图，并利用增强与原始正弦图重建 CT 图像。凭借这一新颖设计，在 NIH-AAPM 数据集与 COVID-19 数据集上的重建性能实验证实了 DuDoTrans 的有效性及泛化能力，且涉及参数更少。大量实验也证明了其在稀疏视角 CT 重建不同噪声水平场景下的鲁棒性。代码与模型公开于 https://github.com/DuDoTrans/CODE
引用
@article{arxiv.2111.10790,
title = {DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram Restoration in Sparse-View CT Reconstruction},
author = {Ce Wang and Kun Shang and Haimiao Zhang and Qian Li and Yuan Hui and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2111.10790},
year = {2021}
}